电网线损预测方法及装置、存储介质和处理器

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种电网线损预测方法及装置、存储介质和处理器。

背景技术

线损是反映低压台区精益化管理和节能降损水平的重要指标，能够反映一个供电企业的能耗管理水平。线损指标包括了线损率指标和线损管理指标的两部分组成，而且需要电力营销、电能计量、电网经济运行等专业管理方面的支撑，才能保证线损指标的实现。

但是，部分低压台区供电区域发展不同步，导致线路纵横交错，而且具有用户种类多、用电性质复杂、三相负载不平衡和线损计算偏差大等特点。同时随着光伏、风电等分布式能源在低压台区的大量安装，对台区潮流和线损的时空分布也产生显著影响。随着电网的快速发展，电力用户数量持续增加，低压配电网的规模和结构俞发庞大和复杂，传统的人工巡检和使用专用设备采集方式已经不能适应新时期电网发展的需要，无法进行复杂低压台区拓扑关系精准识别及线损准确计算。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种电网线损预测方法及装置、存储介质和处理器，以至少解决先有技术中线损预测方法适用性差且准确度较低的技术问题。

根据本发明实施例的一个方面，提供了一种电网线损预测方法，包括：获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理上述矩阵数据，确定特征图；采用全连接网络处理上述数据特征，得到特征系数；采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。

可选的，上述获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征，包括：获取目标区域的电力数据，其中，上述电力数据包括：电压数据、电流数据、功率因数数据；对上述电力数据进行构造处理，得到上述矩阵数据；将上述电力数据对应的有源数据、无源数据、供区类型、负载强度、台区类型和月份时间确定为上述数据特征。

可选的，在上述采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间之前，上述方法还包括：获取历史线损数据；将上述历史线损数据按预设顺序进行排列，得到目标历史线损数据；采用第一预设数量的上述目标历史线损数据进行训练，得到初始预测模型；采用第二预设数量的上述目标历史线损数据进行验证，得到上述目标预测模型。

可选的，上述采用卷积神经网络处理上述矩阵数据，确定特征图，包括：采用上述卷积神经网络对上述矩阵数据进行特征抽取，确定上述特征图。

可选的，上述采用全连接网络处理上述数据特征，得到特征系数，包括：采用上述全连接网络对上述数据特征进行特征抽取，确定上述特征系数。

可选的，上述采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间，包括：对上述特征图和上述特征系数进行拼接处理，得到目标向量；采用激活函数处理上述目标向量，确定上述线损区间。

根据本发明实施例的另一方面，还提供了一种电网线损预测装置，包括：获取模块，用于获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；第一处理模块，用于采用卷积神经网络处理上述矩阵数据，确定特征图；第二处理模块，用于采用全连接网络处理上述数据特征，得到特征系数；拼接模块，用于采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。

根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的电网线损预测方法。

根据本发明实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序被设置为运行时执行任意一项上述的电网线损预测方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的电网线损预测方法。

在本发明实施例中，通过获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理上述矩阵数据，确定特征图；采用全连接网络处理上述数据特征，得到特征系数；采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间，达到了提取电力数据特征的目的，从而实现了对特征数据进行拼接处理得到线损预测区间的技术效果，进而解决了先有技术中线损预测方法适用性差且准确度较低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的电网线损预测方法流程图；

图2是根据本发明实施例的一种可选的基于卷积神经网络的理论线损区间计算方法流程图；

图3是根据本发明实施例的一种可选的样本数据信息构成图；

图4是根据本发明实施例的一种可选的月度运行工况数据样本制作结构图；

图5是根据本发明实施例的一种可选的“7-3准则”原理图；

图6是根据本发明实施例的一种可选的ReLu激活函数图像示意图；

图7是根据本发明实施例的一种可选的理论线损区间计算模型示意图；

图8根据本发明实施例的一种电网线损预测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种电网线损预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的电网线损预测方法流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；

步骤S104，采用卷积神经网络处理上述矩阵数据，确定特征图；

步骤S106，采用全连接网络处理上述数据特征，得到特征系数；

步骤S108，采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。

在本发明实施例中，上述步骤S102至步骤S108上述的电网线损预测方法应用于电网线损预测系统，采用上述系统获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理上述矩阵数据，确定特征图；采用全连接网络处理上述数据特征，得到特征系数；采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。

作为一种可选的实施例，如图2所示的基于卷积神经网络的理论线损区间计算方法流程图，从电力公司营销采集系统中获取台区变压器及台区用户的时序电压、电流和功率因数数据，并对数据进行整理清洗；将数据构造成可进行特征提取的输入层；采用卷积网络对时电压、电流和功率因数数据进行特征提取，形成对输入信息进行抽象表达的特征图feature map；对全连接网络输入电压、电流和功率因数数据所对应有源无源、供区类型、负载强度、台区类型以及月份时间等能够明确表示该数据特性的类别型特征，经由全连接网络进行特征抽取得到系数的向量。将feature map的矩阵展开并与由全连接网络抽取的特征信息进行拼接,构建分类器与回归器进行理论线损区间的计算。

通过本发明实施例，考虑了使用配电系统中采集的台区变压器和用户电压、电流和功率因数时序数据，解决了传统台区理论线损计算方法带来的实际线路参数难以获得问题。

在一种可选的实施例中，上述获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征，包括：获取目标区域的电力数据，其中，上述电力数据包括：电压数据、电流数据、功率因数数据；对上述电力数据进行构造处理，得到上述矩阵数据；将上述电力数据对应的有源数据、无源数据、供区类型、负载强度、台区类型和月份时间确定为上述数据特征。

作为一种可选的实施例，本发明实施例中所采用的实验数据来源于供电公司管辖范围内的1000个低压配电台区，数据包括了各台区一整年中每天24个数据采集点的三相电压、三相电流、三相有功功率；1000个台区的台区信息，包括供区类型、台区容量、CT变比；1000个台区每日24时的结算供电量、结算用电量和线损率，其中供电量为变压器侧，用电量为用户侧电表计量总和。各样本数据的信息构成如图3所示的样本数据信息构成图。

可选的，由于要进行月度样本的制作，对于单个台区的月度工况数据，以电压数据和每月30天为例，会有24x30个采集点数据，且各采集点有其明确的时间属性和物理意义。采用仿图片的样本制作方法，分别将电压、电流、功率因数的24x30个采集点数据映射到三维空间，从而形成一个3x30x24的Tensor，其结构如图4所示的月度运行工况数据样本制作结构图。

可选的，该Tensor的通道数为3，高为28、30或31，宽为24。其中宽度的24个点代表每日的24个采集点；高度代表每月中的各采集日期，具体由该月份的天数决定；3个通道分别代表了电压、电流和功率因数。某一确定的通道，同一高度的24个点代表了当日24个时段的采集信息，时序信息则映射为从左至右的空间位置信息:同一宽度的28、30或31个点则代表了同一时段各天的数据变化情况。而同一宽度和高度的点，在不同的通道上，分别代表了该时刻的电压、电流和功率因数的信息。

通过以上方法，可以将包含了1个月24x28/30/31个采集点的电压、电流和功率因数信息映射到一个仿图片的样本格式中，同时保留了原来的时序信息和物理意义。

在一种可选的实施例中，在上述采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间之前，上述方法还包括：获取历史线损数据；将上述历史线损数据按预设顺序进行排列，得到目标历史线损数据；采用第一预设数量的上述目标历史线损数据进行训练，得到初始预测模型；采用第二预设数量的上述目标历史线损数据进行验证，得到上述目标预测模型。

作为一种可选的实施例，基于“7-3准则”对数据集进行划分，如图5所示的“7-3准则”原理图，即将每个月的各供区台区的线损率从小到大排列，假设前70％的台区异常线损率较低，实际线损接近理论线损，后30％的台区线损率异常，从而利用前70％的台区数据进行理论线损模型的训练与验证；后30％的台区数据作为测试集，利用训练好的模型计算出其对应的理论线损，并与其实际线损进行对比，进行辅助异常线损排查。

可选的，经过“7-3准则”进行数据集划分后，用于进行理论线损模型的训练与优化的训练集和验证集，其线损率均小于8％，并按照不同线损区间进行标签值的设定，如表1所示。

表1线损区间与标签对照表

在一种可选的实施例中，上述采用卷积神经网络处理上述矩阵数据，确定特征图，包括：采用上述卷积神经网络对上述矩阵数据进行特征抽取，确定上述特征图。

在一种可选的实施例中，上述采用全连接网络处理上述数据特征，得到特征系数，包括：采用上述全连接网络对上述数据特征进行特征抽取，确定上述特征系数。

作为一种可选的实施例，将一整月(以每日24个采集点)的电压、电流与功率因数作为卷积神经网络的输入数据，即输入的是3*31*24的矩阵数据，再通过卷积神经网络进行特征抽取，形成对输入信息进行抽象表达的feature map；对全连接网络输入电压、电流和功率因数数据所对应有源无源、供区类型、负载强度、台区类型以及月份时间等能够明确表示该数据特性的类别型特征，经由全连接网络进行特征抽取得到系数的向量；最后将feature map的矩阵展开并与由全连接网络抽取的特征信息进行拼接，构建分类器与回归器进行理论线损区间的计算。

可选的，基于样本的数据格式，使用TensorFlow深度学习框架进行神经网络模型的搭建。模型使用392594个参数对数据进行拟合，其中可训练参数391698个，不可训练参数896个。模型共有2个输入，Inputl为经过独热相量编码后的类别型数据，并经一层全连接层进行信息融合:Input2为一个30*24*3的Tensor，包含了经过归一化处理后一个台区30天内、每日24个采集点的电压、电流和功率因数数据，并经过卷积层、池化层、BatchNormalization层、AlphaDropout层、GlobalAveragePooling层以及Relu激活函数进行信息抽取和表达。

其中，BatchNormalization层作用为归一化，对每层的输出数据进行归一化操作，从而修正求导路径，节约参数更新时间以及缓解梯度消失现象；AlphaDropout层为Dropout层的进阶版，能够随机对输入数据进行冻结，从而防止训练过程中的过拟合现象；GlobalAveragePooling层能够将二维的FeatureMap转为一维的向量，从而方便后续的分类任务；ReLu激活函数为一个非线性的函数，其公式为：

在一种可选的实施例中，上述采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间，包括：对上述特征图和上述特征系数进行拼接处理，得到目标向量；采用激活函数处理上述目标向量，确定上述线损区间。

作为一种可选的实施例，基于卷积神经网络的理论线损区间计算模型流程图如图7所示，全连接层对Input1进行信息抽取，卷积网络对Input2进行信息抽取，两者所得到的向量经过拼接，得到了一个可以对两个输入信息进行全面表达的向量，该向量再经过全连接层的信息表达后，进行一个8分类的分类任务，此时激活函数使用SoftMax函数，

实施例2

根据本发明实施例，还提供了一种用于实施上述电网线损预测方法的装置实施例，图8根据本发明实施例的一种电网线损预测装置的结构示意图，如图8示，上述电网线损预测装置，包括：获取模块80、第一处理模块82、第二处理模块84和拼接模块86，其中：

获取模块80，用于获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；

第一处理模块82，用于采用卷积神经网络处理上述矩阵数据，确定特征图；

第二处理模块84，用于采用全连接网络处理上述数据特征，得到特征系数；

拼接模块86，用于采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。此处需要说明的是，上述获取模块80、第一处理模块82、第二处理模块84和拼接模块86对应于实施例1中的步骤S102至步骤S108上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

上述的电网线损预测装置还可以包括处理器和存储器，上述获取模块80、第一处理模块82、第二处理模块84和拼接模块86等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

根据本申请实施例，还提供了一种非易失性存储介质的实施例。可选地，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种电网线损预测方法。

可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。

可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理上述矩阵数据，确定特征图；采用全连接网络处理上述数据特征，得到特征系数；采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。

可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取目标区域的电力数据，其中，上述电力数据包括：电压数据、电流数据、功率因数数据；对上述电力数据进行构造处理，得到上述矩阵数据；将上述电力数据对应的有源数据、无源数据、供区类型、负载强度、台区类型和月份时间确定为上述数据特征。

可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取历史线损数据；将上述历史线损数据按预设顺序进行排列，得到目标历史线损数据；采用第一预设数量的上述目标历史线损数据进行训练，得到初始预测模型；采用第二预设数量的上述目标历史线损数据进行验证，得到上述目标预测模型。

可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：采用上述卷积神经网络对上述矩阵数据进行特征抽取，确定上述特征图。

可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：采用上述全连接网络对上述数据特征进行特征抽取，确定上述特征系数。

可选地，在程序运行时控制非易失性存储介质所在设备执行以下功能：对上述特征图和上述特征系数进行拼接处理，得到目标向量；采用激活函数处理上述目标向量，确定上述线损区间。

根据本申请实施例，还提供了一种处理器的实施例。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种电网线损预测方法。

根据本申请实施例，还提供了一种电子设备的实施例，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行上述任意一种的电网线损预测方法。

根据本申请实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种的电网线损预测方法步骤的程序。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。